首次使用PyTorch搭建RNN实现6分类：输出尺寸选择与准确率计算异常

核心认知纠偏 #

你使用batch_first=True初始化RNN时，各层张量的形状规则为：

• RNN输入：(批次大小, 序列长度, 单时间步特征维度)
• RNN返回的out：(批次大小, 序列长度, 隐藏层维度) —— 这个out是所有时间步的隐藏状态集合，不是单个输出。只有序列标注类任务（每个时间步对应一个标签）才需要用到全时间步的输出，单样本单标签分类任务只需要截取最后一个时间步的隐藏状态即可。
  你看到的4411不是输入特征维度，是你的输入序列的时间步长度。

Q1：输出尺寸设置规则 #

你的任务是6分类，每个样本对应输出6个类别的得分，因此全连接层的输出尺寸必须设置为6，不能设为1。
你当前初始化的output_size=6是正确的，无需修改。

Q2：准确率计算与维度错误修复 #

你当前的维度问题根源有两个：

1. 没有截取RNN最后一个时间步的输出，全连接层对所有时间步都做了映射，导致输出多了序列长度维度
2. 你的标签使用了One-Hot格式（形状4×6），但CrossEntropyLoss要求标签为形状(批次大小,)的整数类别索引

修复步骤 #

1. 修改forward函数，截取最后一个时间步的输出：

def forward(self, x):
    batch_size = x.size(0)
    hidden = self.init_hidden(batch_size)
    out, hidden = self.rnn(x, hidden)
    # 新增：截取最后一个时间步的输出，形状从 (batch, seq_len, hidden_dim) 变为 (batch, hidden_dim)
    out = out[:, -1, :]
    out = self.fc(out)
    return out, hidden

修改后输出形状为(批次大小, 6)，完全符合分类任务要求。

2. 转换标签格式适配损失函数：

# 训练循环中，把One-Hot标签转为类别索引
labels = torch.argmax(labels, dim=1)
# 如果你的原始标签取值为1-6，需要减1适配PyTorch从0开始的类别规则
# labels = labels - 1

3. 准确率计算逻辑无需修改：
   现在output形状为(4,6)，torch.max(output.data, 1)会对每个样本的6个类别得分取最大值，得到的predicted形状为(4,)，和处理后的标签形状完全匹配，计算逻辑正确。

修复后张量形状验证 #

• RNN原始输出：(4, 4411, 24) → 截取最后时间步后：(4,24) → 全连接层输出：(4,6)
• 标签：原(4,6) → 转索引后：(4,)
• 预测值：(4,)
  所有维度对齐，损失计算、准确率统计都会正常运行。

内容的提问来源于stack exchange，提问作者moinudin